看面经：通过看面经查漏补缺，深入挖掘知识点
interview_python: 关于Python的面试题
python_interview_question: 关于python的面试题
概率题的范围很广，加强这方面的锻炼，其实性价比不高：互联网公司 概率面试题整理；面试中的概率题；2019 校园招聘算法面试概率题
编程：剑指offer全刷->leetcode高频->leecode分类刷
框架：1)tensorflow(https://github.com/amusi/TensorFlow-From-Zero-To-One);
项目：1)能够对这个项目整体都了解，并能自圆其说（算法介绍、实验结果、自己做了哪些算法优化、算法能否再改进）。
有个难点在于面试官会经常问到：你有什么创新点么？有做改进么？这类问题很常见，所以大家有准备的应对这类问题。比如你当前用的是A算法（已开源），但目前肯定有超于A算法的论文出来了，甚至代码也有。所以你需要看相关的论文，深入这个方向，了解多一点，虽然你当前项目没有用到，但你要知道业界最好的算法是有什么创新点，这也代表了你的项目可以再优化。你就可以应答如流了。
2)没有项目的话，可以撸论文和源码。比如Faster R-CNN、YOLO、SSD都撸一遍。这种CV大类方向，对找实习/工作会很有帮助，也具有扩展性，确定一个方向后，你再补补最近的顶级论文，这样显得自己多么学术性/前沿，面试官也会很喜欢。也可以把论文的实验作为项目，或者把名次不高的比赛包装成导师的实践项目。
比赛：1)kaggle、天池等比赛top5% or top10才有用；
实习：大厂更有用
论文：1)顶会才有用;
2)论文看了就忘，这个太正常了。但有句老话，好记性不如烂笔头，所以你又必须学习记笔记。论文笔记、学习笔记、编程笔记、知识点笔记等，这些总结不仅方便你日后查找，也有助于你面试。
CV：图像分类/目标检测/图像分割比较熟悉
各种不同的方向https://paperswithcode.com/
包装：确定方向，看论文，跑源码，调参，改代码，如果时间富裕，可以参加同类竞赛。简历方面，就是确定一个方向，写自己所做的事情（论文+源码+调参经验+改结构+实验数据）
看懂-能写出关键代码->复现
花书不看也罢，毕竟太广泛，CNN基本的算法了解+自己的研究方向深入，那么深度学习这一块应该没啥问题。蓝书也一样，SVM/决策树/贝叶斯/Boost等看不完，就网上搜一下常见的面试题来看看，比如L1和L2正则化有什么区别等？刷题+研究方向（项目）深入。
所以想请问您一下tricks对跑模型的意义是什么？常用操作有哪些？谢谢您~
答：这是一个很好的问题，记得我以前连什么backbone、bench-mark、pre-trained都读不懂啥意思。tricks其实就是基本不改动原算法框架的情况下，对算法进行优化。那么优化的点有哪些呢？比如目标检测中，可以data augmentation扩充数据集，可以参考：重磅！小目标检测的数据增广秘籍，然后还有使用warm up learning rate、BN等方法，这些不拘束于某类算法，都是通用的tricks。图像分类方面，可以参考：亚马逊：用CNN进行图像分类的Tricks。
面试中：（引导：往自己熟悉的的方向、知识点上引导）
简历中引导、自我介绍中引导、回答问题时引导
面试后：我们需要做的是及时将面试中的问题记录下来，尤其是自己回答的不够好的问题，一定要花时间去研究，并解决这些问题，下次面试再遇到相同的问题就能很好的解决，当然，即使不遇到，你这个习惯坚持住，后面也可以作为一个经历去跟面试官说，能表现出你对技术的喜爱和钻研的一个态度，同时，每次面试后你会发现自己的不足，查缺补漏的好机会，及时调整，在不断的调整和查缺补漏的过程中，你会越来越好。